Question

我正在尝试从各种文档中提取所有文本。为此，我使用的是Apache Tika 1.4。

RecursiveTikaParser parser = new RecursiveTikaParser(new AutoDetectParser());
ParseContext parseContext = new ParseContext();
parseContext.set(Parser.class, parser);

这里的RecursiveTikaParser只是AutoDetectParser的包装器。

解析方法就是这样 -

ContentHandler content = new BodyContentHandler(-1);
Metadata metadata = new Metadata();
super.parse(stream, content, metadata, context);
System.out.println("Parsed text is " + content.toString());

现在，此代码必须能够处理多个文件，这就是我使用AutoDetectParser（）的原因

我在测试中发现，给定一个xml文件 - 我只能提取标签之间的文本而不是注释，标签。

是否可以使用我当前的方法从文本文件中提取所有内容？

Answer 1

试试这个

    Metadata metadata = new Metadata();
    stream = TikaInputStream.get(stream, null);
    String mimtType = DETECTOR.detect(stream, metadata).toString();
    Parser parser;
    if (mimtType.equalsIgnoreCase("application/xml")) {
        parser = new TXTParser();
    } else {
        parser = new AutoDetectParser();
    }

    ContentHandler content = new BodyContentHandler();
    parser.parse(stream, content, metadata, new ParseContext());
    System.out.println(content.toString());

使用apach tika解析器从XML文件中的xml标记中提取文本

1 个答案: